AI i hospitalslogistik kræver styr på data før gevinster kan realiseres

Kunstig intelligens indgår i stigende grad i drøftelserne om, hvordan logistik og vareforsyning kan understøttes bedre i det danske sundhedsvæsen. Potentialet afhænger imidlertid af kvaliteten og sammenhængen i de data, som løsningerne bygger på.

AI kan blandt andet understøtte disponering, lagerstyring og indsigt i forbruget af lægemidler og medicoteknisk udstyr. Dermed styrkes grundlaget for planlægning og anvendelse af regionale indkøbsaftaler. Samtidig kan mere effektive logistikprocesser reducere den tid, klinisk personale bruger på varehåndtering og registrering.

Ifølge Peter Siggaard-Andersen, Head of Supply Chain Excellence, Tecsys Europe, er datagrundlaget en afgørende forudsætning:

Data er til stede – men ikke nødvendigvis anvendelige

I dansk hospitalsdrift findes data på tværs af ERP-systemer, indkøbs- og lagersystemer samt elektroniske patientjournaler (EPJ). Hertil kommer data fra leverandører og fra de indkøbsfunktioner, der understøtter regionernes sygehuse, herunder Amgros på lægemiddelområdet.

Udfordringen er sjældent mængden af data. Den ligger i, om data er konsistente, opdaterede og kan sammenstilles på tværs af systemer og arbejdsgange. Uensartede registreringer begrænser mulighederne for at anvende data til analyser og beslutningsstøtte.

Tre gennemgående databarrierer

Tre forhold går ofte igen, når datagrundlaget viser sig utilstrækkeligt.

Upræcise varedata
Fejl i produktbeskrivelser, enheder, priser og konverteringer svækker kvaliteten af analyser og beslutningsgrundlag. Datarensning kan forbedre situationen midlertidigt, men uden løbende vedligeholdelse forringes datakvaliteten igen.

Manglende registrering af forbrug
Varer, der anvendes uden for de centrale registreringsflows, indgår ikke fuldt i datagrundlaget. Det reducerer indsigten i forbrug og omkostninger.

Uens registreringspraksis i klinikken
Databrister opstår ofte tæt på patientbehandlingen. Fejl i scanninger eller manuelle registreringer kan føre til afvigelser mellem registreret og faktisk lager. Variationer i arbejdsgange mellem afdelinger øger kompleksiteten.

Behov for et sammenhængende datagrundlag

For at kunne anvende AI mere målrettet i hospitalslogistik er der behov for løsninger, der kan integrere relevante datakilder og understøtte ensartede processer.

Det omfatter integration mellem ERP-systemer, logistiksystemer og kliniske systemer som EPJ samt løbende opdatering af data fra indkøb til forbrug. Samtidig er der behov for at reducere manuel registrering gennem mere automatiseret datafangst i den kliniske hverdag.

Et mere sammenhængende datagrundlag kan styrke datadeling og skabe bedre forudsætninger for analyser på tværs af organisationen.

Fra datakvalitet til bedre beslutningsgrundlag

Når datakvaliteten er høj og konsistent, bliver det lettere at arbejde med disponering, lageroverblik og forbrugsanalyse. Det kan understøtte mere præcise beslutninger i vareforsyningen og reducere fejl i lagerstyringen.

Gevinsterne afhænger dog af, hvordan regioner og hospitaler organiserer deres systemer, processer og registreringspraksis. Datakvalitet fremstår dermed som en central forudsætning for at kunne omsætte AI til konkret værdi i sundhedslogistikken.